शुरू करेंमुफ़्त में शुरू करें

इंटरैक्शन जोड़ना

जिस तरह एक न्यूमेरिक और एक कैटेगोरिकल explanatory वैरिएबल के साथ इंटरैक्शन हो सकता है, वैसे ही दो न्यूमेरिक explanatory वैरिएबल भी इंटरैक्ट कर सकते हैं. इस मॉडल संरचना में आपको तीसरा स्लोप कोएफ़िशिएंट मिलेगा: प्रत्येक explanatory वैरिएबल के लिए एक, और एक इंटरैक्शन के लिए.

यहाँ, आप पिछले अभ्यास जैसा ही मॉडल रन करेंगे, प्रेडिक्ट करेंगे, और प्लॉट करेंगे, लेकिन इस बार explanatory वैरिएबल्स के बीच इंटरैक्शन शामिल करेंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

इंटरमीडिएट Regression with statsmodels in Python

पाठ्यक्रम देखें

अभ्यास निर्देश

  • मॉडल का नाम बदलकर mdl_price_vs_conv_dist_inter करें.
  • पिछले अभ्यास के कोड को इस तरह अनुकूलित करें कि उसमें इंटरैक्शन शामिल हो.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()

# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
    price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))

sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)

sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")

plt.show()
कोड संपादित करें और चलाएँ